13. Типы многомерных олап систем

В рамках OLAP-технологий на основе того, что многомерное представление данных может быть организовано как средствами реляционных СУБД, так и многомерных специализированных средств, различают три типа многомерных OLAP-систем:

−многомерный (Multidimensional) OLAP — MOLAP −реляционный (Relation) OLAP — ROLAP

−смешанныйилигибридный (Hibrid) OLAP — HOLAP

Выше изложены основные свойства многомерной и реляционной моделей OLAP-систем и различия между ними. Сущность смешанной OLAP-системы заключается в возможности использования многомерного и реляционного подхода в зависимости от ситуации: размерности информационных массивов, их структуры, частости обращений к тем или иным записям, вида запросов, наличия соответствующих инструментальных средств и т.д. Рассмотрим подробнее сущность, достоинства и недостатки приведенныхразновидностей OLAP-систем. При этом необходимо обратиться к рис. 3.1 «Структура информационного хранилища». На нем приведены зоны хранилища, которые соответствуют этапам продвижения данных из источников к конечным пользователям. В различных вариантах OLAP-систем эти зоны будут заполняться данными, представленными в виде различных моделей.

Многомерные OLAP-системы В многомерных СУБД данные организованы не в виде реляционных таблиц, а в виде

упорядоченных многомерных массивов в виде гиперкубов, когда все хранимые данные должны иметь одинаковую размерность, что означает необходимость образовывать максимально полный базис измерений. Данные могут быть организованы в виде поликубов, в этом варианте значения каждого показателя хранятся с собственным набором измерений, обработка данных производится собственным инструментом системы. Структура хранилища в этом случае упрощается, так как отпадает необходимость в отдельной зоне хранения данных в многомерном

или объектно-ориентированном виде. Снижаются огромные трудозатраты на создание реляционных моделей и систем преобразования данных из реляционной модели в объектную (см. рис.3.1).

Достоинствами T3 1 TfMOLAP являются:

−более быстрое, чем при ROLAP получение ответов на запросы — затрачиваемое время

на один-два порядка меньше; −из-за ограничений SQL затрудняется реализация многих встроенных функций.

К ограничениям MOLAP относятся:−сравнительно небольшие размеры баз данных — предел десятки Гигабайт,

−за счет денормализации и предварительной агрегации многомерные массивы используют в 2,5-100 раз больше памяти, чем исходные данные (расход памяти при увеличении числа измерений растет по экспоненциальному закону); −отсутствуют стандарты на интерфейс и средства манипулирования данными; −имеются ограничения при загрузке данных. Реляционные OLAP-системы В настоящее время в массовых средствах, обеспечивающих аналитическую работу, преобладает использование инструментов на основе реляционного подхода. Структура хранилища остается в том виде, как представлено на рис. 3.1. Трудозатраты на создание зоны многомерных данных резко увеличиваются, так как практически отсутствуют в этой ситуации специализированные средства объективизации реляционной модели данных, содержащихся в информационном хранилище. Время отклика на запросы часто не может уложиться в рамки требований к OLAP-системам. Достоинствами ROLAP-систем являются:

−возможность оперативного анализа непосредственно содержащихся в хранилище данных, так как большинство исходных баз данных — реляционного типа; −при переменной размерности задачи выигрывают ROLAP, так как не требуется физическая реорганизация базы данных; −ROLAP-системы могут использовать менее мощные клиентские станции и серверы, в виду того, что на серверы ложится основная нагрузка по обработке сложных SQL-запросов; −уровень защиты информации и разграничения прав доступа в реляционных СУБД несравненно выше, чем в многомерных. Недостатком ROLAP-систем является меньшая производительность, необходимость тщательной проработки схем базы данных, специальная настройка индексов, анализ статистики запросов и учет выводов анализа при доработках схем баз данных, что приводит к значительным дополнительным трудозатратам.

Выполнение же этих условий позволяет при использовании ROLAP-систем добиться схожих с MOLAP-системами показателей в отношении времени доступа, а также превзойти в экономии памяти. Гибридные OLAP-системы Представляют собой сочетание инструментов, реализующих реляционную и многомерную модель данных. Структура хранилища остается в основном такой же, как на рис. 3.1, однако зона многомерных данных создается специализированными средствами. Это позволяет резко снизить затраты ресурсов на создание и поддержание такой зоны, время отклика на запросы, в том числе незапланированные резко снижается, выполняются требования к OLAP-системам. При таком подходе используются достоинства первых двух подходов и компенсируются

их недостатки. В наиболее развитых программных продуктах такого назначения реализован именно этот принцип. Использование гибридной архитектуры в OLAP-системах — это наиболее приемлемый путь решения проблем, связанных с применением программных инструментальных средств в многомерном анализе. Тем не менее встречаются обстоятельства, когда применение ROLAP— и HOLAP-cистем становится невозможным из-за чрезвычайно жестких требований со стороны объектов управления или соответственно контролируемых процессов. Такие ситуации характерны для крупных промышленных, транспортных, энергетических комплексов, на финансовых рынках, при управлении объектами в критических ситуациях или их моделировании. Для такого класса применения ИАС становится безальтернативным применение многомерных или объектно-ориентированных инструментальных средств и методов.__

14. Классификация ИТ-анализа по режиму и темпу

Различают два вида информационно-аналитических систем по режиму и темпу анализа:

−статические — имеют заранее разработанный сценарий обработки данных при весьма

ограниченных возможностях вариаций запросов — так называемые информационные

системыруководителя (Exequtive Information system EIS);

−динамические — обеспечивают обработку нерегламентированных запросов и гибкую

систему подготовки отчетов. Статические ИАС при всей кажущейся простоте и соответственно привлекательности

для ЛПР имеют ограниченные возможности по информационной поддержке принятия решений. Зачастую полученная в отчетах информация порождает вытекающие из ее содержания вопросы, на которые в допустимое время ответ не может быть получен. Динамические ИАС предназначены для обработки незапланированных заранее, неожиданных (adhoc) запросов. Пользователи системы работают с такой ИАС в интерактивном режиме. Обрабатывается серия непредусмотренных заранее запросов, которые возникают входе полготовки и принятия решения. Заранее может быть подготовлена некоторая цепочка действий или сценарий, который может корректироваться. Поддержка принятия управленческих решений осуществляется в следующих режимах

или базовых сферах (23):

– сфера детализированных данных;

– сфера агрегированных показателей;

– сфера закономерностей.

В сфере детализированных данных подсистемы ИАС или автономные ИС нацелены на поиск данных. Эту задачу отлично выполняют реляционные СУБД. В качестве языка манипулирования данными, ставшего стандартным, используется, как правило, SQL. Для поиска детализированной информации используются информационно-поисковые системы, которые могут работать с операционными, локальными или региональными базами и хранилищами данных, а также и совместно с центральным ИХ.

Сфера агрегированных показателей отличается агрегацией данных, оперативной аналитической обработкой, многомерным представлением в виде гиперкубов, многомерным анализом. В этой сфере используются специальные многомерные СУБД. Допустимо использование реляционных представлений данных. При правильном применении реляционных СУБД, показатели эффективности ИАС сопоставимы со специализированными многомерными. Агрегированные массивы при реляционном подходе представлены в виде описанных выше схем: «звезды» и других. Агрегация может производиться также «на лету» при обработке запроса.

Анализ детализированных данных и агрегированных показателей относится к оперативному или OLAP-анализу.

Сфера закономерностей связана или основана на интеллектуальной обработке данных. Главной задачей здесь выступает выявление закономерностей в исследуемых процессах, взаимосвязей и взаимовлияния различных факторов, поиск крупных «непривычных» отклонений, прогноз хода различных существенных процессов. Эта сфера относится к интеллектуальному анализу (Datamining).__